计算机技术与发展
計算機技術與髮展
계산궤기술여발전
COMPUTER TECHNOLOGY AND DEVELOPMENT
2008年
3期
196-199
,共4页
RBF神经网络%减聚类算法%最近邻聚类算法%系统辨识%钢包精炼炉
RBF神經網絡%減聚類算法%最近鄰聚類算法%繫統辨識%鋼包精煉爐
RBF신경망락%감취류산법%최근린취류산법%계통변식%강포정련로
在RBF神经网络的各种学习算法中,最近邻聚类算法学习时间短、计算量小,不需要事先确定隐单元的个数,完成聚类所得到的网络是最优的,并且可以在线学习,是一种自适应聚类学习算法,非常适合非线性实时系统的应用.但常规最近邻聚类算法在实时性要求较高的系统预测中学习时间相对较长.针对这一问题,提出了系统离线学习时采用减聚类算法,在线学习时采用改进的最近邻聚类算法,并变步长修正聚类半径和限制学习样本数.在函数拟合实验中,这种改进算法明显缩短了RBF神经网络的学习时间,在钢包精炼炉电极系统的在线辨识中的成功应用进一步表明对最近邻聚类算法的改进是有效的.
在RBF神經網絡的各種學習算法中,最近鄰聚類算法學習時間短、計算量小,不需要事先確定隱單元的箇數,完成聚類所得到的網絡是最優的,併且可以在線學習,是一種自適應聚類學習算法,非常適閤非線性實時繫統的應用.但常規最近鄰聚類算法在實時性要求較高的繫統預測中學習時間相對較長.針對這一問題,提齣瞭繫統離線學習時採用減聚類算法,在線學習時採用改進的最近鄰聚類算法,併變步長脩正聚類半徑和限製學習樣本數.在函數擬閤實驗中,這種改進算法明顯縮短瞭RBF神經網絡的學習時間,在鋼包精煉爐電極繫統的在線辨識中的成功應用進一步錶明對最近鄰聚類算法的改進是有效的.
재RBF신경망락적각충학습산법중,최근린취류산법학습시간단、계산량소,불수요사선학정은단원적개수,완성취류소득도적망락시최우적,병차가이재선학습,시일충자괄응취류학습산법,비상괄합비선성실시계통적응용.단상규최근린취류산법재실시성요구교고적계통예측중학습시간상대교장.침대저일문제,제출료계통리선학습시채용감취류산법,재선학습시채용개진적최근린취류산법,병변보장수정취류반경화한제학습양본수.재함수의합실험중,저충개진산법명현축단료RBF신경망락적학습시간,재강포정련로전겁계통적재선변식중적성공응용진일보표명대최근린취류산법적개진시유효적.
